Методы больших данных для изучения рынка труда и связанных с ним областей

Основное содержимое статьи

С. Д. Белов
Д. Н. Джавадзаде
И. С. Кадочников
В. В. Кореньков
П. В. Зрелов

Аннотация

В данной статье рассмотрены некоторые подходы к интеллектуальному анализу текста применительно к автоматизированному мониторингу рынка труда. Описано построение аналитической системы для исследования рынка труда на основе технологий Больших Данных. Проведено сравнение комбинаций методов извлечения семантической информации об объектах и связях между ними (например, из объявлений о вакансиях) из специализированных текстов. Создана система мониторинга российского рынка труда, ведется работа по анализу рынков труда других стран. Рассмотренные подходы и методы могут быть широко использованы для извлечения знаний из больших объемов текстов.

Скачивания

Данные скачивания пока недоступны.

Информация о статье

Как цитировать
Belov, S., Javadzade, J., Kadochnikov, I., Korenkov, V., & Zrelov, P. (2021). Методы больших данных для изучения рынка труда и связанных с ним областей. Системный анализ в науке и образовании, (4), 1–8. https://doi.org/10.37005/2071-9612-2020-4-147-154
Раздел
Статьи

Библиографические ссылки

Dolado J. No Country For Young People? Youth Labour Market Problems in Europe. London: Centre for Economic Policy Research, 2015.

Labour Market and Wage Developments in Europe. Annual Review European Commission, 2016. https://doi.org/10.2767/232054.

From University to Employment: Higher Education Provision and Labour Market Needs In the Western Balkans. Synthesis Report. European Commission, 2016. https://doi.org/10.2766/48413.

Wolf A. Review of Vocational Education: The Wolf Report. UK Department for Education, 2011. Ref: DFE-00031-2011.

Zrelov P. Automated system of monitoring and analysis of staffing needs for the nomenclature of specialties of the university. Federalizm, 2016;4(84):63-76 (in Russ).

Mikolov T., Chen K., Corrado G., Dean J. Efficient Estimation of Word Representations in Vector Space. arXiv:1301.3781, 2013.

Efrati A. Google Gives Search a Refresh. The Wall Street Journal. Retrieved July 13, 2012.

Garcia E. M., España-Bonet C., Màrquez L. Document-Level Machine Translation with Word Vector Models. Proceedings of the 18th Annual Conference of the European Association for Machine Translation (EAMT), 2015:59-66.

Barkan O. Bayesian Neural Word Embedding. arXiv:1603.06571, 2015.

Kutuzov A., Kuzmenko E. WebVectors: A Toolkit for Building Web Interfaces for Vector Semantic Models. Analysis of Images, Social Networks and Texts. AIST 2016. Communications in Computer and Information Science, Springer, Cham, 2016; 661.

Le Q., Mikolov T. Distributed Representations of Sentences and Documents. arXiv:1405.4053, 2014.

Zrelov P., Petrosyan A., Semenov R., Filozova I., Korenkov V. Monitoring of the labour market needs for university graduates based on data-intensive analytics. Proceedings of the XVIII International Conference DAMID/RCDL'2016, October 11-14, 2016, Ershovo, Moscow Region, Russia.

Professional standards in Russia. http://profstandart.rosmintrud.ru.